Modelos para dados de contagem
|
|
- Moisés Beretta Castelhano
- 7 Há anos
- Visualizações:
Transcrição
1 O modelo de Poisson
2 Sumário 1 Introdução 2 Regressão de Poisson Taxa de Incidência Inclusão de covariáveis Interpretação dos parâmetros 3 Exemplos 4 Superdispersão
3 Dados de Contagem Podemos estar interessados em modelar dados de contagem. Exemplos - Número de chamadas telefônicas por dia em uma call center; - Número de acidentes em uma estrada por dia; - Número de surtos epiléticos por paciente em dois anos; - Número de partos cesariais por hospital/ano; - Número de clientes chegando ao caixa de um supermercado; - Número de gols por time na primeira rodada do campeonato brasileiro.
4 Por que não podemos usar o modelo de regressão estudado anteriormente? Suposição de Normalidade! Dados de contagem podem ser modelados por uma distribuição de Poisson. Discreta e representa a probabilidade de que um evento ocorra um número especificado de vezes em um intervalo de tempo (espaço).
5 A distribuição de Poisson Seja Y Poisson(λ), então P(Y = y) = e λ λ y y = 0, 1, y! E(Y ) = Var(Y ) = λ A taxa média de ocorrência (λ) é constante ao longo do tempo. A informação sobre o número de ocorrências em um período nada revela sobre o número de ocorrências em outro período.
6 O modelo de regressão de Poisson Temos que a variável resposta Y representa dados de contagem ou taxas e X é o vetor de covariáveis. Objetivo: explicar a variação de Y através de X. Taxa de incidência TI = Número de casos novos em determinado período Quantidade de pessoa-tempo Quantidade de pessoa tempo:tempo em que a população esteve sob risco de desenvolver a doença, sendo o tempo da população igual a soma dos tempos de observação de cada indivíduo.
7 Exemplos de Taxa de Incidência Cidade X no período de 5 anos Vamos calcular a taxa de incidência: 3 TI = = 3 12 = 0, 25 por ano
8 Exemplos de Taxa de Incidência Mortalidade por gênero de paciente com a doença Y Homens Mulheres Total Casos Pessoas-ano TI H = 90 = 0, 0365/ano 2465 TI M = 131 = 0, 0332/ano , 0365 RII = = 1, 099 0, 0332
9 Taxa de Incidência Por que Taxa de Incidência é importante? Unidades amostrais podem ser acompanhadas por diferentes períodos de tempos.
10 Seja y ij a contagem do número de câncer de pele para a i-ésima faixa etária na cidade j. Pergunta: A taxa de câncer de pele, ajustada por idade, difere nas diferentes cidades? A regressão de Poisson seria o modelo adequado para modelar a taxa de incidência de eventos (contagens).
11 Inclusão de covariáveis Como incluir covariáveis? Vamos supor uma amostra de tamanho n. E(Y i ) = λ i (x) i = 1,, n e λ i 0 Vamos usar uma função de ligação logarítimica: Ou seja: log (E(Y i )) = log(λ i ) = β 0 + β 1 x i1 + + β p x ip λ i = e β 0 e β 1x i1 e βpx ip Vantagem: garantimos que ˆλ i 0.
12 Como modelamos a taxa? Taxa = λ(x) c onde c é a exposição (tempo, número, área, volume, etc) Com a função de ligação logarítimica: ( ) λ(x) log = x β c log(λ(x) = log(c) + x β No R temos o comando offset para lidar com o log(c) (constante sem coeficiente de regressão).
13 Interpretação dos parâmetros Note que agora estamos considerando: log(contagem ou taxa) = x β Os parâmetros não possuem a mesma interpretação do modelo de regressão Normal. Fixando x 2,, x p, quando passamos x 1 de 0 para 1 temos: x 1 = 0 log(taxa) = β 2 x β p x p x 1 = 1 log(taxa) = β 1 + β 2 x β p x p
14 Interpretação dos parâmetros Então: ( ) taxa1 log RT = log = β 1 taxa 0 Vamos supor que exp(β 1 ) = 2. No caso em que modelos a taxa de incidência temos: RT = exp(β 1 ) = 2 Isso significa que a taxa de incidência 1 é duas vezes a taxa de incidência de 0. E no caso em que modelamos a contagem? A interpretação é similiar: a incidência de câncer de 1 é duas vezes a de 0, por exemplo.
15 Exemplo 1 Partos cesarianos por ano em 20 hospitais (4 privados e 16 públicos) Partos Hospitais cesáreas Partos Hospitais cesáreas
16 Exemplo 1 Partos cesarianos por ano em 20 hospitais (4 privados e 16 públicos) Observe que podemos modelar tanto o número de cesáreas (contagem) quanto a proporção (taxa). Seja Y i o número de cesáreas. Suponha que Y i Poisson(µ i ). Vamos ajustar log(µ i ) = β 0 + β 1 Partos + β 2 Hospital.
17 Exemplo 1 Partos cesarianos por ano em 20 hospitais (4 privados e 16 públicos) Assim para log(µ i ) = β 0 + β 1 Partos + β 2 Hospital, temos: estimativa intercepto 1,351 partos 0, hospital(1) 1,045 log(µ) = 1, , Partos + 1, 045 Hospital E(Y ) = e 1,351 e 0, Partos e 1,045Hospital
18 Exemplo 1 Partos cesarianos por ano em 20 hospitais (4 privados e 16 públicos) Interpretando o parâmetro β 2 : e 1,045 = 2, 84 O número de partos por cesárea em hospitais públicos é 2,84 vezes o número de partos por cesárea em hospitais particular.
19 Exemplo 1 Partos cesarianos por ano em 20 hospitais (4 privados e 16 públicos) Note que: Público: µ i = exp(1.351) exp(0, ) exp(1, 045) = 15, 2 Particular: µ i = exp(1.351) exp(0, ) = 5, 35 Isso implica uma média de 15,2 cesáreas a cada 1000 partos em hospitais públicos e 5,4 por 1000 partos em particulares.
20 Exemplo 2 Perfil de Clientes (Retirado dos slides do Gilberto Paula) Dados sobre o perfil dos clientes de uma determinada loja, que foram divididos em 110 áreas de uma cidade. O número de clientes de cada área que foram à loja num período fixo serão relacionados com as seguintes variáveis em cada área (Neter et al., 1996, p. 613): - número de domicílios (em mil) (x 1 ); - renda média anual domiciliar (em mil US$) (x 2 ); - idade média (em anos) dos domicílios (x 3 ); - distância ao concorrente mais próximo (x 4 ); - distância à loja (em milhas) (x 5 ).
21 Exemplo 2 Perfil de Clientes (Retirado dos slides do Gilberto Paula)
22 Exemplo 2 Modelagem Y i : número de clientes da i-ésima área que foram à loja no período determinado. Suponha que Y i P(λ i ), onde: log(λ i ) = β 0 + β 1 x β 5 x 5
23 Exemplo 2 Estimativa dos parâmetros Estimando os parâmetros do modelo, encontramos: Efeito Estimativa E.Padrão z-valor Constante 2,942 0,207 14,21 Domicilio 0,606 0,142 4,27 Renda -0,012 0,002-5,54 Idade -0,004 0,002-2,09 Dist1 0,168 0,026 6,54 Dist2-0,129 0,016-7,95
24 Exemplo 2 Interpretações Olhando apenas a tabela, podemos perceber que: O número esperado de clientes na loja cresce com o aumento do número de domicílios na área; O número esperado de clientes na loja diminui com o aumento da renda média e da idade média dos domicílios bem como da distância da área à loja; Por exemplo, se aumentarmos em um ano a idade média dos domicílios: exp( 0, 004) = Assim, esperamos que o número de clientes que irão à loja irá diminuir em 0.4%.
25 Exemplo 3 Câncer de pele em duas cidades em 1994 Tabela: Dados Minneapolis Dallas Idade Casos Pop. Casos Pop
26 Exemplo 3 Câncer de pele em duas cidades em 1994 m <- glm(casos ~ idade + cidade + offset(log(pop)), family=poisson) Estimativa E.P. p-valor Intercepto -10,35 0,096 <0,01 Cidade 0,82 0,052 <0,01 Faixa 0,06 0,0013 <0,01 Cidade*faixa 0,044 Interpretação (taxa de incidência) para cidade: exp(0, 82) = 2, 2705
27 Superdispersão Sabemos que se Y Poisson(λ) então E(Y ) = Var(Y ) = λ. Superdispersão ocorre quando há uma inedequação do Modelo de Regressão de Poisson. Dizemos que houve superdispersão quando Var(Y ) > E(Y )
28 Superdispersão Possíveis Causas 1 Função de ligação inadequada. Nós vimos o caso da função de ligação logarítimica. 2 Não inclusão de covariáveis importantes no preditor linear: - Desconhecidas; - Não foram medidas. 3 Excesso de zeros: - Comumente existem situações com excesso de contagens zero; - horários inadequados, pessoas não contaminadas, entre outros.
29 Superdispersão Solução Possível Solução Incluir mais um parâmetro na modela para incorporar essa "extra variação"
Análise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
Leia maisExemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisExemplo Número de Clientes da Loja
Exemplo Número de Clientes da Loja Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Clientes da Loja 2 o Semestre 2015 1 / 24 Clientes
Leia maisExemplo Ataques Epilépticos
Exemplo Ataques Epilépticos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Ataques Epilépticos 2 o Semestre 2015 1 / 20 Ataques
Leia maisModelo Linear Generalizado Distribuição de Poisson
Valeska Andreozzi 1 Modelo Linear Generalizado Distribuição de Poisson Problema 1 O objetivo desta aula é exemplificar a modelagem de dados de contagem. Vamos ilustrar como os modelos lineares generalizados
Leia maisModelos Lineares Generalizados - Componentes do Modelo
Modelos Lineares Generalizados - Componentes do Modelo Erica Castilho Rodrigues 01 de Abril de 2014 3 Vejamos agora quais as componentes de um Modelo Linear Generalizado. Temos um conjunto de variáveis
Leia maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
Leia maisModelos Lineares Generalizados
Modelos Lineares Generalizados Emilly Malveira de Lima Análise de Dados Categóricos Universidade Federal de Minas Gerais - UFMG 10 de Maio de 2018 Emilly Malveira (PGEST-UFMG) 10 de Maio de 2018 1 / 20
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
Leia maisMétodos Estatísticos Avançados em Epidemiologia
Métodos Estatísticos Avançados em Epidemiologia Modelo de Poisson e Análise de Dados Longitudinais Enrico A. Colosimo Departamento de Estatística Universidade Federal de Minas Gerais http://www.est.ufmg.br/
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
Leia maisModelos Binomial e Poisson
Objetivos Motivação BIE5781 - Pós-Graduação em Ecologia USP setembro de 2012 Objetivo da Aula Objetivos Motivação Os objetivos dessa aula são: Objetivos Motivação Objetivo da Aula Os objetivos dessa aula
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisProcessos de Poisson
Processos de Poisson Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulo 5 Taylor & Karlin 1 / 37 Distribuição de Poisson Seja a variável
Leia maisExemplo Falhas em Tecidos
Exemplo Falhas em Tecidos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Falhas em Tecidos 2 o Semestre 2016 1 / 27 Rolos de Tecido
Leia maisExemplo Misto Ataques Epilépticos
Exemplo Misto Ataques Epilépticos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Ataques Epilépticos 2 o Semestre 2016 1 / 25
Leia maisExemplos Modelos de Quase-Verossimilhança
Exemplos Modelos de Quase-Verossimilhança p. 1/40 Exemplos Modelos de Quase-Verossimilhança Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de
Leia maisAplicação do modelo de Quase-Verossimilhança
Aplicação do modelo de Quase-Verossimilhança Fábio Hideto Oki 1 1 Introdução O câncer é uma doença de proporção mundial, atingindo só no Brasil cerca de 350 mil pessoas por ano e é caracterizado pela mutação
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisModelos de Regressão Múltipla - Parte VI
1 Modelos de Regressão Múltipla - Parte VI Erica Castilho Rodrigues 7 de Fevereiro de 2017 2 3 Podemos fazer uma transformação na variável resposta Y e/ou na preditora X para: solucionar problemas de variância
Leia maisAnálise de Regressão - parte I
16 de Outubro de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos para dados coletados. Entender como método de mínimos é usado
Leia maisVariáveis Aleatórias Discretas
Variáveis Aleatórias Discretas Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Definição Uma variável aleatória é uma função definida
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte III 23 de Abril de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades aproximadas
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercício Entre jovens atletas, um nível alto de colesterol pode ser considerado preocupante e indicativo para um acompanhamento médico mais frequente. Suponha que são classificados como tendo taxa de
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisMisturas e Algoritmo EM
Misturas e Algoritmo EM Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Misturas e Algoritmo EM 2012 1 / 57 Misturas Os modelos básicos de distribuições que dispomos são flexíveis
Leia maisO uso dos modelo ZIP, ZINB e Hurdle Model para dados de contagem com excessos de zeros
O uso dos modelo ZIP, ZINB e Hurdle Model para dados de contagem com excessos de zeros Eriton Barros dos Santos 1 Sílvia Maria de Freitas 2 1 Introdução Dados de contagem são comuns em diversas áreas.
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisEstimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson
Estimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson Wagner Hugo Bonat - LEG/DEST, UFPR 1 Resumo: Este texto descreve de forma rápida o processo de estimação baseado em Verossimilhança
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisModelos Binomial e Poisson
Objetivos Motivação BIE5781 - Pós-Graduação em Ecologia USP Setembro de 2016 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: Objetivos Motivação Objetivo da Aula Os objetivos dessa aula
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DE DADOS DE ÓBITOS POR AGRESSÕES NO ESTADO DE SÃO PAULO NO ANO DE 2016 CURITIBA Novembro
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisCE062c - GAMLSS. Silva, J.P; Taconeli, C.A. 09 de outubro, Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, / 42
CE062c - GAMLSS Silva, J.P; Taconeli, C.A. 09 de outubro, 2018 Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, 2018 1 / 42 Por que GAMLSS? Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro,
Leia maisRegressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Leia maisRegressão Linear Múltipla no R MAE-0217: ESTATÍSTICA DESCRITIVA MAIO DE 2017 PROFESSORA: MÁRCIA D ELIA BRANCO
Regressão Linear Múltipla no R MAE-0217: ESTATÍSTICA DESCRITIVA MAIO DE 2017 PROFESSORA: MÁRCIA D ELIA BRANCO MONITORA PAE: SIMONE HARNIK Regressão Linear Simples > O modelo de regressão linear simples
Leia maisInferência Estatística - Modelos e MLE
Inferência Estatística - Modelos e MLE Renato Martins Assunção UFMG 2013 Renato Martins Assunção (UFMG) Inferência Estatística - Modelos e MLE 2013 1 / 82 Modelos Estatísticos Um modelo para os dados Suponha
Leia maisMLG. 16 de outubro de Curso de Modelos Lineares Generalizado - DEST/UFMG Marcos Oliveira Prates. Marcos Oliveira Prates
MLG Curso de Modelos Lineares Generalizado - DEST/UFMG 16 de outubro de 2017 Modelo Linear Generalizado Família Exponencial Seja Y a variável de resposta. A distribuição de Y é membro da família exponencial
Leia maisAnálise de Sobrevivência
Análise de Sobrevivência Modelagem paramétrica Valeska Andreozzi 1 valeska.andreozzi@fc.ul.pt & Marilia Sá Carvalho 2 cavalho@fiocruz.br 1 Centro de Estatística e Aplicações da Universidade de Lisboa,
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Distribuição beta não central; Coef. de determinação; Quando X for aleatório. Distribuição
Leia mais4. PRINCIPAIS MODELOS DISCRETOS
4. PRINCIPAIS MODELOS DISCRETOS 2010 Principais modelos probabilísticos discretos 4.1. Modelo Bernoulli Muitos eperimentos admitem apenas dois resultados. Eemplos: 3. Uma peça é classificada como defeituosa
Leia maisAULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado)
AULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado) Susan Schommer Econometria I - IE/UFRJ Valor esperado dos estimadores MQO Nesta aula derivamos o valor esperado dos estimadores
Leia maisMétodos Estatísticos Avançados em Epidemiologia
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Métodos Estatísticos Avançados em Epidemiologia Aula 2-2 Regressão de Poisson: Modelando Contagens Distribuição
Leia maisCE071 - Análise de Regressão Linear
CE071 - Análise de Regressão Linear Cesar Augusto Taconeli 30 de maio, 2018 Cesar Augusto Taconeli CE071 - Análise de Regressão Linear 30 de maio, 2018 1 / 21 Aula 7 - Regressão linear com covariáveis
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisExemplo Placas Dentárias
Exemplo Placas Dentárias Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Placas Dentárias 2 o Semestre 2016 1 / 20 Placas Dentárias
Leia mais4 Metodologia. Wt = W 0 exp{(l/k)(1-e-kt)} (8)
4 Metodologia Serão apresentadas duas formas de se estimar a persistência. A primeira é de forma mais agregada e se utiliza de dados em forma de triângulos de run-off e é conhecida como Chain Ladder, uma
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Padrão Pontual
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Padrão Pontual Padrão de Pontos A análise de padrão de pontos, é o tipo mais simples de análise
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisModelos Probabilisticos Discretos
Modelos Probabilisticos Discretos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 30 A distribuição Uniforme Discreta Suponha um experimento
Leia maisDISTRIBUIÇÕES BERNOULLI, BINOMIAL E POISSON
DISTRIBUIÇÕES BERNOULLI, BINOMIAL E POISSON http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 05 de julho de 2017 Distribuição Bernoulli Exemplo Nos experimentos de Bernoulli, o espaço
Leia maisModelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018
Modelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018 1. Introdução O objetivo deste trabalho é apresentar uma análise estatística,
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Amostragem estratificada Divisão da população em
Leia maisFunção de Verossimilhança
Função de Verossimilhança João Batista e Paulo Inácio Prado 2018 BIE5781 Modelagem Estatística em Ecologia e Recursos Naturais 1/38 Sumário Sumário 1. Motivação 2. Estimação por Máxima Verossimilhança
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia mais4. PRINCIPAIS MODELOS DISCRETOS
4. PRINCIPAIS MODELOS DISCRETOS 2019 Principais modelos probabilísticos discretos 4.1. Modelo Bernoulli Muitos eperimentos admitem apenas dois resultados. Eemplos: 1. Uma peça é classificada como defeituosa
Leia maisAula inaugural do curso Análise de Regressão
Aula inaugural do curso Prof a Silvia Nagib Elian Sala 215 - Bloco A Instituto de Matemática e Estatística Universidade de São Paulo Agenda 1. Exemplo 2. Introdução 3. Modelo de regressão linear simples
Leia maisModelos de Regressão Múltipla - Parte VII
1 Modelos de Regressão Múltipla - Parte VII Erica Castilho Rodrigues 26 de Janeiro de 2016 2 3 Vimos como ajustar um modelo não linear fazendo transformações das variáveis, como, por exemplo Y = exp{β
Leia maisMétodos Estatísticos Avançados em Epidemiologia
1/43 Métodos Estatísticos Avançados em Epidemiologia Análise de Sobrevivência - Modelo de Cox Enrico A. Colosimo Departamento de Estatística Universidade Federal de Minas Gerais http://www.est.ufmg.br/
Leia maisAplicação dos modelos lineares generalizados na análise do
Aplicação dos modelos lineares generalizados na análise do número de ácaros Ana Paula Coelho Madeira Silva 12 Fabrício Oliveira Fernandes 12 Marcos Antonio Matiello Fadini 12 1 Introdução O estudo das
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 2 de Agosto de 2013 3 Modelos de Poisson podem ser usados para analisar tabelas de contingência.
Leia maisDistribuições discretas
Distribuições discretas Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplo 1 Suponha que está a concorrer para 2 vagas de uma empresa com mais colegas seus: o João,aRosaeoInácio.
Leia maisExemplos Regressão Dados Binários
Exemplos Regressão Dados Binários p. 1/28 Exemplos Regressão Dados Binários Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisA Importância da Estatística na Pesquisa Científica e na Tomada de Decisão
A Importância da Estatística na Pesquisa Científica e na Tomada de Decisão Ricardo Alves de Olinda Universidade Estadual da Paraíba - UEPB Centro de Ciências e Tecnologia - CCT Departamento de Estatística
Leia maisMAE Modelos Lineares Generalizados 2 o semestre 2017
MAE5763 - Modelos Lineares Generalizados 2 o semestre 2017 Prof. Gilberto A. Paula 3 a Lista de Exercícios 1. Supor y i ind FE(µ, φ i ) com φ i = α + γz i, para i = 1,..., n. Como ca a matriz modelo Z?
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia maisRevisão de Modelos de regressão. Prof. Thais C O Fonseca - DME, UFRJ
Revisão de Modelos de regressão Prof. Thais C O Fonseca - DME, UFRJ Conteúdo Regressão linear simples Regressão linear múltipla Método de Mínimos Quadrados Introdução a Inferência Bayesiana em Regressão
Leia maisModelos de Regressão para Dados de Contagem
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Modelos de Regressão para Dados de Contagem CE225 - Modelos Lineares Generalizados Professor Cesar Taconelli Andrea A Alves, GRR: 20096668 NathanM
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições de Probabilidade 2007/2008 1 / 31 Introdução Introdução Já vimos como caracterizar
Leia maisESTUDO SOBRE A TAXA ANUAL DE CÂNCER NASAL EM UMA REFINARIA DE NÍQUEL NO PAÍS DE GALES
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística ESTUDO SOBRE A TAXA ANUAL DE CÂNCER NASAL EM UMA REFINARIA DE NÍQUEL NO PAÍS DE GALES CE225 - Modelos Lineares Generalizados
Leia maisModelos básicos de distribuição de probabilidade
Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
Leia maisEspecialização em Engenharia de Processos e de Sistemas de Produção
Especialização em Engenharia de Processos e de Sistemas de Produção Projetos de Experimento e Confiabilidade de Sistemas da Produção Prof. Claudio Luis C. Frankenberg 3ª parte Conforme foi apresentado
Leia maisQuantis residuais. Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná
Quantis residuais Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná Orientador: Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Resumo Uma etapa importante
Leia maisCap 7 Modelo de Cox. Outline. 2 Cap 2 O tempo. 3 Cap 3 Funções de Sobrevida. 5 Modelo de Cox. Carvalho MS (2009) Sobrevida 1 / 22
Outline Cap 7 Modelo de Cox 1 Cap 1 Introdução 2 Cap 2 O tempo 3 Cap 3 Funções de Sobrevida 4 Cap 4 Não-Paramétrica 5 Modelo de Cox Carvalho MS (2009) Sobrevida 1 / 22 Riscos Proporcionais Cap 7 Modelo
Leia maisNúmero de Consultas ao Médico
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA João Matheus S. K. T. Hneda Lineu Alberto Cavazani de Freitas Número de Consultas ao Médico Análise
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisModelos de Regressão
Renato Martins Assunção DCC - UFMG 2015 Renato Martins Assunção (DCC - UFMG) 2015 1 / 19 Exemplo de preço de apto Y = y 1 y 2 y 1499 y 1500 b 0 1 1 1 1 + b 1 área 1 área 2 área 1499 área 1500 + b 2 idade
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisAplicação dos modelos lineares generalizados na análise do número de estômatos em coentro (Coriandrum sativum L.): estimação bayesiana utilizando INLA
Aplicação dos modelos lineares generalizados na análise do número de estômatos em coentro (Coriandrum sativum L.): estimação bayesiana utilizando INLA Everton Batista da Rocha 12 Roseli Aparecida Leandro
Leia maisModelos Lineares Generalizados - Métodos de Estimação
Modelos Lineares Generalizados - Métodos de Estimação Erica Castilho Rodrigues 07 de Abril de 2014 3 Componentes dos MLG s Os MLG s são compostos por duas partes: componente sistemático e componente aleatório.
Leia maisAmostra Aleatória Simples
Amostra Aleatória Simples Airlane Pereira Alencar 4 de Abril de 2018 Alencar, A.P. (IME-USP) Amostra Aleatória Simples 4 de Abril de 2018 1 / 34 Definições e Notações Notações População ou Universo U =
Leia maisRafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 2 Leitura obrigatória: Devore, seções 3.4, 3.5 (hipergeométrica), 3.6 Aula 5-1 Objetivos Nesta parte 01 aprendemos a representar,
Leia maisModelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia maisLista 1 - Gabarito. Prof. Erica Castilho Rodrigues Disciplina: Modelos Lineares Generalizados. 29 de Abril. f(y i, θ i ) = θ i exp( yiθ i ).
Lista 1 - Gabarito Prof. Erica Castilho Rodrigues Disciplina: Modelos Lineares Generalizados 29 de Abril 1. (Concurso Petrobrás - 2011) Em um modelo de regressão logística, o que indica se o modelo se
Leia maisRegressão para Dados de Contagem - Segurança e privatização ferroviária na Grã-Bretanha
Universidade Federal do Paraná Departamento de Estatística Regressão para Dados de Contagem - Segurança e privatização ferroviária na Grã-Bretanha CE22 - Modelos Lineares Generalizados Francielle Przibiciem
Leia mais3 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 3 a Lista de PE Solução. Se X representa o ganho do jogador, então os possíveis valores para X são,, 0, e 4. Esses valores são, respectivamente, correspondentes
Leia mais